arXiv · ML· Constantin Alexander Auga·· 8 小时前AI 评分33
TargetSEC：通过唤醒度条件潜在风格扩散实现即插即用野外语音情感转换
TargetSEC: Plug-and-Play In-the-Wild Speech Emotion Conversion via Arousal-Conditioned Latent Style Diffusion
AI 导读
提出 TargetSEC 框架，在紧凑潜在空间生成以说话人身份和连续情感为条件的风格嵌入，而非在频谱图上扩散。在 MSP-Podcast 数据集上，其转换 MSE 和自然度匹配或超过有时长预测基线，且优于现有非时长基线。
来源：arXiv · ML · arxiv.org